Urgências hospitalares: aplicação de data mining na classificação das falsas urgências – estudo de caso

Abstract

Com o presente trabalho procura-se responder a uma questão que assola os serviços de urgência desde a sua génese -sobrelotação quotidiana. Se os serviços de urgência se inserem num sistema mais vasto que visa prestar cuidados diferenciados, porque se encontram pejados com situações que não se revestem de verdadeiras urgências? Este fenómeno, sendo global, assume especial criticidade em nações com sistemas de saúde de matriz beveridgiana, no qual se garante o acesso universal aos cuidados de saúde a todos os seus cidadãos. Importa, portanto, saber quais as características que se encontram na base da procura de cuidados de saúde por parte de situações não urgentes. Escolheu-se este tipo de procura porque constituem-se naquelas em que os serviços de saúde hospitalar em Portugal podem, de forma articulada com os cuidados de saúde primários, estabelecer protocolos de governação que visem a redução do acesso ao seu serviço de urgência. Paralelamente, hoje, assiste-se à ascensão, à boleia da evolução da sociedade digital, de novas áreas do conhecimento que, procurando ultrapassar as tradicionais metodologias de análise de dados, almejam, com o recurso a metodologias próprias, criar conhecimentos até aí não abordados por essas abordagens tradicionais. Destarte, o presente trabalho procura, através de processos de machine learning, estabelecer critérios, baseados na importância das variáveis, para classificar os episódios de falsas urgências. Com base nestas premissas e, a partir de uma base de dados com a informação relativa aos episódios de urgência geral de um grande hospital do SNS ocorridos durante 5 anos, construíram-se 3 árvores de decisão, testando-se a sua performance, utilizando para tal a análise da taxa de erro associada à classificação destes episódios. Em complemento, recorreu-se, ainda, a uma comparação entre alguns algoritmos de data mining (DM), concluindo-se que o random forest, apenas com recurso a 14 árvores de decisão, apresenta os melhores resultados. Embora as potencialidades das árvores de decisão sejam muitas, na verdade a taxa de erro observada na classificação das falsas urgências é ainda elevada o que pode indiciar que haverá outras variáveis, sobretudo nos factores de associação, tal como definidos por Pines et. al. (2013) que concorrem para a decisão de procurar o serviço de urgência mesmo quando a gravidade da situação seja residual e que os dados fornecidos pelo hospital não contemplam.

The present work seeks to answer a question that plagues the emergency services since its genesis - daily overcrowding. If the emergency services are part of a wider system that aims to provide differencial care, why are they stuck with situations that are not really urgent? This phenomenon, being global, assumes special criticism in nations with health systems based on beveridgian matrix, in which universal access to health care is guaranteed to all its citizens. Therefore, is it important to know which characteristics are at the basis of the demand for health care by non-urgent situations. This type of demand was chosen because they are those in which hospital health services in Portugal can, in partnership with primary health care, establish governance protocols aimed at reducing access to their emergency services. At the same time, today, we are witnessing the rise, hitchhiking the evolution of the digital society, of new areas of knowledge that, seeking to overcome the traditional methodologies of data analysis, aims, with the use of their own methodologies, to create knowledge that has not been addressed before those traditional approaches. Thus, the present work seeks, through machine learning processes, to establish criteria, based on the importance of the variables, for the classification of episodes of false urgencies. Based on these premises and, based on a database with information on the general emergency episodes of a large NHS hospital that took place over 5 years, 3 decision trees were built, testing their performance, using such is the analysis of the error rate associated with the classification of these episodes. In addition, it was also used a comparison between some data ming (DM) algorithms, concluding that the random forest, using only 14 decision trees, presents the best results. Although the potentialities of decision trees are many, in fact the error rate observed in the classification of false urgencies is still high, which may indicate that there will be other variables, especially in the association factors, as defined by Pines et. al. (2013) that contribute to the decision to enter the emergency service even when the severity of the situation is residual and that the data provided by the hospital didn´t include.